KLASIFIKASI POLA SIDIK JARI MENGGUNAKAN DEEP LEARNING PADA RUMUS HENRY CLASSIFICATION PRIMARY

DIMAS KURNIAWAN

Informasi Umum

Kode

20.04.4453

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

166 kali

Informasi Lainnya

Abstraksi

Sidik jari merupakan salah satu biometrik pada manusia yang dapat digu- nakan untuk identifikasi manusia. Rumus Sidik Jari pada manusia dapat dibuat dengan menggunakan Henry Classification Formula. Pembuatan rumus sidik jari secara konvensional dinilai kurang efektif dan relatif memerlukan waktu yang lebih lama. Hal ini tentunya memberikan tantangan tersendiri pada perancangan sistem pembuat rumus sidik jari otomatis. Tugas Akhir merancang sistem rumus sidik jari secara otomatis menggu- nakan Deep Learning dengan menggunakan metode VGG19 dan Inception v3. In- put berupa citra sidik jari dengan format RGB. Citra tersebut diperoleh dari https://www.nist.gov sebanyak 2000 citra. 2000 citra sidik jari yang digunakan hanya 1499 citra dimana citra yang dipilih ini adalah citra yang memiliki karakterisik pola yang baik. Kemudian dilakukan Preprocessing Image ada beberapa proses yang terdapat pada Preprocessing Image beberapa proses itu meliputi konversi citra RGB ke grayscale, resize image, dan edge detection. Konfigurasi ulang pada arsitektur VGG19 dan Inception v3 untuk mendapatkan tingkat keakurasian yang baik. Setelah melakukan konfigurasi ulang proses selanjutnya adalah training dataset. Dari proses training akan didapatkan tingkat keakurasian yang selanjutnya akan digu- nakan untuk penghitungan nilai Henry Primary. Pada Tugas Akhir ini klasifikasi dibagi menjadi lima class, yaitu Whorl, Arch, Tentarch, Right Loops, dan Left Loops. Jumlah dataset train dan validation train adalah 1499 kemudian dataset test yang digunakan adalah 66 untuk meng- etahui performasi sistem. Training dataset dengan menggunakan VGG19 dan In- ception v3, telah mendapatkan nilai parameter pada proses training dengan nilai validasi akurasi 97.8% untuk metode VGG19 dan 74.8% untuk Inception v3, Optimizer terbaik pada Optimizer RMSprop untuk kedua arsitektur, Validation Split pada VGG19 adalah 0.18% dan 0.26% untuk arsitektur Inception v3, Epoch adalah 50 dan Batch Size adalah 64 pada kedua arsitektur. Model arsitektur terbaik adalah VGG19 dengan nilai validation accuracy 97.8% nilai parameter sistem saat diuji menggunakan dataset uji Fingerprint Image Enhancement sebagai berikut: Accuracy 84%, Precision 81%, Recall 77%, Specifity 95%, F1 Score 78%, dan Geometric mean 86%.